小目标与密集场景检测

小目标检测困难的根源是有效像素少、下采样后信息丢失、背景占比高，并且在密集区域容易发生遮挡和匹配冲突。

1. 输入分辨率与目标像素

如果目标在输入图像中只有几像素，经过多次步长下采样后可能无法保留可辨别特征。提高输入分辨率、图像切片或裁剪感兴趣区域可以增加目标像素，但会提高推理成本。

2. 多尺度特征

浅层特征空间分辨率高，适合定位小目标；深层特征语义强但空间较粗。FPN、PAN 等结构通过跨层融合兼顾定位与语义。增加小目标检测层并不一定总有效，需要同时检查标注质量和特征步长。

3. 数据和样本分配

• 缩放增强可能让小目标变得不可见，应设定合理范围。
• 裁剪时要避免产生大量残缺标注。
• 密集目标需要合理的一对一或一对多匹配策略。
• 难样本挖掘应区分真正难例与错误标注。

4. 密集与遮挡场景

NMS 阈值过低可能抑制相邻真实目标，过高则保留重复框。端到端集合预测可以减少对 NMS 的依赖，但仍需要足够的查询与可靠匹配。跟踪或多帧信息也能补充单帧中暂时被遮挡的目标。

参考资料

• CSDN：工业视觉小缺陷检测
• COCO 小目标指标与多尺度检测公开资料。